Introduction

Bienvenue dans cette première Unité Bonus, où vous apprendrez à finetuner un LLM pour de l’appel de fonctions (function calling).

En termes de LLM, l’appel de fonctions devient rapidement une technique incontournable.

L’idée est que, plutôt que de s’appuyer uniquement sur des approches basées sur des prompts comme nous l’avons fait dans l’Unité 1, l’appel de fonctions entraîne votre modèle à prendre des actions et interpréter des observations pendant la phase d’entraînement, rendant votre IA plus robuste.

Quand dois-je faire cette Unité Bonus ?

Cette section est optionnelle et plus avancée que l’Unité 1, donc n’hésitez pas à faire cette unité maintenant ou à la revisiter quand vos connaissances se seront davantage développées grâce à ce cours.

Mais ne vous inquiétez pas, cette Unité Bonus est conçue pour avoir toutes les informations dont vous avez besoin, donc nous vous guiderons à travers chaque concept central du finetuning d’un modèle d’appel de fonctions même si vous n’avez pas encore appris le fonctionnement interne de ce type de finetuning.

La meilleure façon pour vous de pouvoir suivre cette Unité Bonus est de :

1. Savoir comment finetuner un modèle avec Transformers. Si ce n’est pas le cas consultez cette page.

2. Savoir comment utiliser SFTTrainer de TRL pour finetuner un modèle. Pour en savoir plus à ce sujet consultez cette documentation.

---

Ce que vous allez apprendre

1. L’appel de fonctions (Function Calling)
   Comment les LLM modernes structurent leurs conversations de manière efficace afin de déclencher des outils.

2. LoRA (Low-Rank Adaptation)
   Une méthode de finetuning légère et efficace qui réduit les coûts computationnels et de stockage. LoRA rend l’entraînement de gros modèles plus rapide, moins cher et plus facile à déployer.

3. Le cycle Réflexion → Action → Observation dans les modèles d’appel de fonctions
   Une approche simple mais puissante pour structurer comment votre modèle décide quand (et comment) appeler des fonctions, suivre les étapes intermédiaires et interpréter les résultats des outils ou APIs externes.

4. De nouveaux tokens spéciaux
   Nous introduirons des marqueurs spéciaux qui aident le modèle à distinguer entre :

   • Le raisonnement interne ”chain-of-thought”
   • Les appels de fonctions sortants
   • Les réponses provenant d’outils externes

---

À la fin de cette unité bonus, vous serez capable de :

• Comprendre le fonctionnement interne des APIs quand il s’agit d’outils.
• Finetuner un modèle en utilisant la technique LoRA.
• Implémenter et modifier le cycle Réflexion → Action → Observation pour créer des workflow d’appel de fonctions robustes et maintenables.
• Concevoir et utiliser des tokens spéciaux pour séparer de manière transparente le raisonnement interne du modèle de ses actions externes.

Et vous aurez finetuné votre propre modèle pour faire de l’appel de fonctions. 🔥

Plongeons dans l’appel de fonctions !

< > Update on GitHub